四、【智能体】RGA架构、工作流程以及关键组件

RAG和大模型、智能体的关系

大模型(LLM)作为基础技术，提供了强大的语言理解和生成能力，是构建复杂人工智能系统的基石。
RAG可以视为在LLM基础上的扩展或应用，利用LLM的生成能力和外部知识库的丰富信息来提供更准确、信息丰富的输出。
智能体(Agent)可以利用LLM进行自然语言处理，通过RAG技术获得和利用知识，以在更广泛的环境中做出决策和执行任务。
它们通常位于应用层级，是对LLM和RAG技术在特定环境下的集成和应用。
RAG 的架构



RAG的工作流程



RAG即**Retrieval-Augmented Generation，**包含 检索、增强和生成3个过程。
检索（Retrieval）：

从知识库中搜索与用户问题相关的信息。通过向量化处理问题和知识，计算相似度进行检索。关键在于选择合适的模型和数据库，面临大规模数据和问题多样性挑战。

增强（Augment）：

将检索到的信息与问题整合，提升生成模型输入质量。如拼接问题和知识片段，进行筛选等处理。需设计好提示模板和整合策略，避免信息过载和处理矛盾。

生成（Generate）：

基于增强后的信息，利用语